Les auteurs introduisent une mémoire persistante sélective partagée pour les systèmes LLM agentic afin de résoudre la perte de contexte qui se produit lorsque les sessions démarrent à zéro. Cette architecture identifie et conserve le contexte réutilisable — tel que les spécifications de tâche, les schémas de données, les configurations d'outils et les contraintes de sortie — tout en éliminant les traces de raisonnement spécifiques à la session.
- Atteint 96 % d'achèvement des tâches sur trois scénarios d'entreprise, comparé à 79 % sans mémoire et 71 % avec l'historique complet.
- Implémente un mécanisme d'actualisation de données à zéro token qui découple les programmes générés des données d'exécution, réduisant le temps de tâche par 14x.
- Réduit le coût en tokens par invocation de 97x par rapport à l'injection de données brutes grâce à une génération pilotée par résumé.
- Démonstre la généralisabilité sur quatre ensembles de données publics, avec un rafraîchissement à zéro token réussissant dans les 12 essais.
L'approche permet la réutilisation collaborative des espaces de travail sans spécification redondante et évite la dégradation causée par la persistance naïve de l'historique complet.